فهرست مطالبفصل اول: مقدمه91-1 معرفی کل تحقیق91-2 فعالیت های پیشین و تاریخچه تحقیق111-3 اهداف پژوهش17فصل دوم: شبکه های عصبی182-1 مدلسازی نرون تنها192-2 تابع فعالیت202-3 معماری شبکه عصبی212-3-1 شبکه های پیش‌خور222-3-2 شبکه های برگشتی222-4 الگوریتم های یادگیری232-5 شبکه عصبی MLP242-5-1 الگوریتم پس انتشار خطا252-5-2 سیگنال خطا262-5-3 انتخاب نرخ یادگیری262-5-4 مرحله آموزش272-5-5 قابلیت تعمیم دهی272-5-6 توقف آموزش282-6 شبکه RBF292-6-1 ساختار شبکه عصبی شعاعی302-6-2-1 تعيينموقعيتمراکز352-6-2-2 تعيينانحرافاستاندارد372-6-2-3 آموزشماتريسوزنلايهخروجي38فصل سوم: منطق فازی403-1 مقدمهای بر سیستمهای فازی403-2 اجزاء پایه سیستم استنتاج فازی(FIS)453-2-1 پایگاه قواعد فازی453-2-1-1 ویژگی های مجموعه قواعد453-2-2 موتور استنتاج فازی473-2-2-1 استنتاج مبتنی بر ترکیب قواعد473-3 غیرفازی‌ساز493-3-1 غیرفازی‌ساز مرکز ثقل493-3-2 غیرفازی‌ساز میانگین مراکز493-3-3 غیرفازی‌ساز ماکزیمم50فصل چهارم: سیستم های استنتاج فازی-عصبی تطبیقیANFIS))52فصل پنجم: خوردگی545-1 مقدمه ای بر خوردگی545-1-1 هزینه های خوردگی565-1-2 بررسی انواع خوردگی575-2 طراحی سیستم های آلی ضدخوردگی685-3 خوردگي در تأسيسات نفت و گاز705-3-1 خوردگي توسط گاز خورنده دي اكسيدكربن715-3-2 خوردگي توسط مايعات خورنده مخازن نفتي735-3-3 خوردگي توسط گاز خورنده سولفيد هيدروژن735-4 خوردگی در سیستم های سه فازی چاه ها و لوله های گاز و روش های کنترل آن775-4-1 روش های کنترل خوردگی775-4-1-1 بازدارنده های خوردگی785-3-1-2 روش تثبیت pH82فصل ششم: پدیده ی سایش در سیستم های تولید هیدروکربن886-1 فرایند سایش در چاه های تولیدی نفت و گاز896-2 مکانیزم های سایش906-2-3 آسیب پذیری تجهیزات در برابر پدیده سایش:906-3-2-1 جنس تجهیزات926-3-2-2 فلزات هادی و مواد مرسوم دیگر926-3-2-3 مواد ویژه مقاوم در برابر سایش936-4 سایش ناشی از ماسه یا ریز ذرات946-4-1 تولید ماسه و انتقال آن946-4-2 اندازه، شکل و سختی ذرات جامد966-5 سایش/ خوردگی976-6 سایش ناشی از اصابت قطرات مایع986-7 کاویتاسیون1006-8 سایش ناشی از ذرات جامد در زانویی ها1016-9 سایش ذرات جامد در اتصالات Tشکل یکسر بسته1036-10 روش های پایش، جلوگیری و مدیریت پدیده سایش1046-10-1 تکنیک های مدیریت سایش1056-10-1-1 کاهش دبی تولیدی1056-10-1-2 طراحی خط لوله1056-10-1-3 جداسازی و حذف ماسه از جریان1066-10-1-4 دستورالعمل و پیش بینی سایش1076-10-1-5 ارزیابی ضخامت دیواره1096-11 ابزارهای پیش بینی سایش و مروری بر تحقیقات صورت گرفته1106-11-1 مروری بر مهمترین استانداردها در طراحی خطوط لوله و مدیریت سایش1106-11-2 ابزارها و مدل های پیش بینی سایش1116-11-2-1 استاندارد API RP 14E1126-11-2-2 دیگر مدل های پیش بینی سایش1176-11-3 مقایسه مدل های پیش بینی سایش در زانویی ها124فصل هفتم: روش تحقیق1317-1 پیش بینی نرخ خوردگی1347-1-1 پیش بینی نرخ خوردگی با استفاده از شبکه عصبی1347-1-2 پیش بینی نرخ خوردگی با استفاده از ANFIS1417-2 پیش بینی ثابت سرعت سایش151فصل هشتم: نتیجه گیری158فصل نهم: پیشنهادات159منابع160فهرست جدول ها عنوان و شماره صفحه جدول شماره 1: توابع فعالیت معمول21جدول شماره 2: سرعت حدی (سایش) اندازهگیری شده درآزمایشات اصابت ذرات مایع119جدول شماره 3: ضرایب همبستگی دادههای ورودی135جدول شماره 4: ارزیابی معماریهای مختلف شبکه عصبیMLP مورد استفاده در این تحقیق140جدول شماره 6: تعیین مؤلفه های سیال PGF بر طبق نقطه ی جوش150 فهرست شکل ها عنوان صفحه شکل شماره 1: حداکثر دبی مجاز برای سیال فاقد ذرات جامد15شکل شماره 2: حداکثر دبی مجاز برای سیال حاوی ذرات جامد16شکل شماره 3: یک نرون تنها در شبکه عصبی]11[20شکل شماره 4: الف) شبکه پیش خور چندلایه ب) شبکه بازگشتی23شکل شماره 5: نمودار روش توقف زودتر از موعد29شکل شماره 6: ساختار شبکه عصبی RBF30شکل شماره 7: نرون شعاعی با یک ورودی32شکل شماره 8: منحنی نمایش تابع پاسخ یا تابع انتقال(تحریک) نرون شعاع با یک ورودی32شکل شماره 9: نرون شعاعی با دو ورودی33شکل شماره 10: منحنی نمایش تابع پاسخ یا تابع انتقال(تحریک) نرون شعاع با دو ورودی33شکل شماره 11: حفره های ایجاد شده در جریان مخلوط آب، دی اکسید کربن و ماسه]23[101شکل شماره 12: مسیر حرکت ذرات جامد با اندازه های مختلف درون یک زانویی105شکل شماره 13: رابطهی بینα و F(α) ارائه شده توسط Huser و Kvernvold برای مواد هادی و شکننده122شکل شماره 14: مقایسه مدلهای پیشبینی سایش در یک زانویی 2 اینچ در جریان ماسه- متان128شکل شماره 15: مقایسه مدلهای پیش بینی سایش در یک زانویی 2 اینچ در جریان ماسه-مایع130شکل شماره 16: مقایسه مدلهای پیشبینی سایش در یک زانویی 2 اینچ برای جریان ماسه-هوا132شکل شماره 17: هیستوگرام خطا و پاسخ شبکه به داده های آموزش برای ساختار 1-12-4141شکل شماره 18: هیستوگرام خطا و پاسخ شبکه به داده های ارزیابی برای ساختار 1-12-4142شکل شماره 19: هیستوگرام خطا و پاسخ شبکه به داده های تست برای ساختار 1-12-4143شکل شماره 20: هیستوگرام خطا و پاسخ شبکه برای همه ی داده ها در ساختار 1-12-4143شکل شماره 21: ضریب همبستگی و منحنی کارایی شبکه144شکل شماره 22: هیستوگرام خطا و پاسخ شبکه به داده های آموزش برای شبکه با ساختار 1-5-4152شکل شماره 23: هیستوگرام خطا و پاسخ شبکه به داده های آموزش برای شبکه با ساختار 1-5-4153شکل شماره 24: هیستوگرام خطا و پاسخ شبکه به داده های تست برای شبکه با ساختار153 1-1 معرفی کل تحقیق یکی از مباحث مهم علمی، فنی و اقتصادی، مسألهی خوردگی فلزات و حفاظت تأسیسات فلزی است. بررسی مبحث خوردگی چندان ساده نیست و با همه پژوهشهای انجام شده، هنوز عوامل آنها به درستی شناخته نشده است. به غیر از بکارگیری علوم شیمی برای مقابله با خوردگی، استفاده از سایر علوم در کنترل و پیشبینی خوردگی و استفاده از نتایج آن در تعمیرات تجهیزات فلزی از اهمیت ویژهای برخوردار است. مسألهی خوردگی در صنایع نفت و گاز به دلیل داشتن ترکیبات خوردنده به شکلی جدیتر از صنایع دیگر شده است. عدم توانایی در پیشبینی نرخ خوردگی باعث میشود که زمانهای خرابی ناشی از آن نیز قابل پیشبینی نباشد که این موضوع تیمهای نگهداری و تعمیرات را دچار مشکل میکند.تاکنون روشهای مختلفی برای مواجه با این پدیده استفاده شدهاست. مدلسازی خوردگی میتواند در شناخت بیشتر و پیشبینی مسائل برآمده از آن مؤثر باشد. دراین مدلسازیها، بیشتر از روشهای مکانیستیک با تکیه بر پیشینهی تیوریک خوردگی و فرمولهای ریاضی بوده است، اما به دلیل پیچیدگی ذاتی این پدیده، این روشها موفقیت زیادی نداشتهاند.به دلیل پیچیدگی ذکر شده و تعدد عوامل شناخته شده و ناشناختهی تأثیرگذار بر این پدیده به نظر میرسد میتوان از روشهای داده محوری چون شبکه عصبی برای پیشبینی نرخ خوردگی استفاده کرد، البته به شرطی که داده با اندازه کافی در این زمینه موجود باشد.این تحقیق بر مبنای استفاده از تواناییهای شبکههای عصبی برای پیشبینی نرخ خوردگی بنا نهاده شده است و بدین منظور از اطلاعات جمعآوری شده از میادین گازی تحت پوشش شرکت بهرهبرداری زاگرس جنوبی استفاده شده است.